Diffusion Transformers for Imputation: Statistical Efficiency and Uncertainty Quantification
用于缺失值填补的扩散 Transformer：统计效率与不确定性量化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列缺失值及其时空依赖，分类依据是序列方法内容，未据此推定存在宏观经济应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于缺失值填补的扩散 Transformer：统计效率与不确定性量化
- 研究问题
- 条件扩散 Transformer 如何利用时间序列的时空依赖填补缺失值，其样本需求与缺失值不确定性如何受缺失模式影响？
- 方法与思路
- 作者建立 Transformer 逼近条件得分函数的理论，据此推导样本复杂度界与缺失值置信区域，并提出混合掩码训练。
- 材料陈述的贡献
- 摘要称该研究给出填补效率的理论界和紧置信区域，揭示缺失模式的重要影响，并通过模拟检验理论与训练策略。
- 阅读关注点
- 应核对条件得分函数的正则性、缺失机制及样本依赖假设，区分逼近误差与估计误差，并检查置信区域的覆盖对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出复杂度界的具体形式、覆盖条件或训练改进的数值幅度。
原文摘要
Imputation methods play a critical role in enhancing the quality of practical time-series data, which often suffer from pervasive missing values. Recently, diffusion-based generative imputation methods have demonstrated remarkable success compared to autoregressive and conventional statistical approaches. Despite their empirical success, the theoretical understanding of how well diffusion-based models capture complex spatial and temporal dependencies between the missing values and observed ones remains limited. Our work addresses this gap by investigating the statistical efficiency of conditional diffusion transformers for imputation and quantifying the uncertainty in missing values. Specifically, we derive statistical sample complexity bounds based on a novel approximation theory for conditional score functions using transformers, and, through this, construct tight confidence regions for missing values. Our findings also reveal that the efficiency and accuracy of imputation are significantly influenced by the missing patterns. Furthermore, we validate these theoretical insights through simulation and propose a mixed-masking training strategy to enhance the imputation performance.